图1 串联电弧故障实验平台
Fig.1 Arc fault experimental platform
摘要 串联电弧是引发电气火灾的重要原因，现有检测多依赖故障高频信号特征。但工程上为保证供电可靠性常采用开口式电流互感器获取电弧信号，受限于其结构特性，难以获取电流高频信号，导致串联电弧故障检测精度不足。对此，该文提出了一种基于时域信号超分辨率的串联电弧检测方法，通过超分辨率技术重构低分辨率数据，突破传统检测方法的时频域瓶颈。首先，构建了符合UL1699标准的电弧仿真平台，采集不同采样率下的电弧数据集；其次，针对现有时域超分辨算法难以有效恢复高频频域信息的问题，设计了基于时间序列生成对抗网络的双域协同生成式时频域增强方法（DCTF-GAN），实现超分辨率重构，并通过评价指标评估重构效果；最后，构建了兼顾时频域特征的RNN-Transformer混合检测模型，基于重构信号进行电弧检测。实验结果表明，所提方法的准确率可达99.7%，验证了所提方法的有效性。
关键词：串联电弧检测 生成式时频域增强方法（DCTF-GAN） 时域超分辨 循环注意力融合神经网络（RNN-Transformer） 电气火灾
随着低压配电系统的发展，工业设备和家用电器的种类增多，因线路松动、绝缘老化和接触不良而引发故障电弧的电气火灾占火灾总数的30%[1]，严重威胁配电系统的安全[2-4]。由于串联电弧发生时其电流有效值小于回路正常运行电流，并呈现显著的时频非平稳特性[5-6]，保护装置无法灵敏地感受回路电流变化，从而无法发出跳闸信号[7-8]。因此精准检测串联电弧故障对防控火灾和保障电力系统安全至关重要。
目前针对串联电弧故障检测方法主要有两大类：一类是基于声、光、热及电磁辐射特性的检测方法，虽可用于电弧识别，但受限于传感器固定部署，缺乏适应性[9-10]；另一类基于时频非平稳特性，从时域、频域和时频域方面的电弧故障检测是目前最常用的方法[11-13]。文献[14]利用电弧电流变化率与其有效值的比值，以及不同频段电流幅值这两个特征进行串联电弧故障识别。文献[15]提出基于滑动离散傅里叶变换（Discrete Fourier Transform, DFT）的串联电弧故障识别方法，采用时间窗进行分析，算法复杂度较低。文献[16]进一步提出结合小波能量谱和自适应分断控制的低压交流电弧检测策略。文献[17]在文献[16]基础上进一步提出使用连续小波变换（Continuous Wavelet Transform, CWT）提取电流信号特征信息，构建模型对电弧进行检测，从时频分析角度来看，可以提高局部突变特征，从而提高检测精度。文献[18]通过构建图像特征矩阵提取电弧特征，可提升串联故障电弧检测准确性，但由于图像特征矩阵的完整生成对电弧数据的采样率有较高要求，并且生成时间较长，难以满足工程实际快速检测的需求。文献[19]提出了一种使用信号类型枚举和缩放圆形卷积（Zoom Circular Convolution, ZCC）算法的检测技术，以提高电弧特征的完整性，将其输入卷积网络后可提高检测精度。
上述检测算法普遍依赖高性能闭口式互感器（采样率可达100 kHz及以上）获取高频特征信号，从而进一步进行电弧故障检测，但在真实低压用电场景中，因供电可靠性及设备安装灵活性要求，无法拆卸线路安装高性能闭口式互感器，只能选用采样能力受限但是便于安装的开口式互感器[20]（采样率一般不超过25 kHz），由于开口气隙的存在，磁通耦合效率低，限制了互感器的采样带宽与量测精度，无法有效地捕捉高频特征分量，进而引起信号频带压缩与特征衰减，造成信号失真，严重影响基于时频非平稳特性的检测算法的准确性。因此，尽管现场仅能采集低采样率信号，但低频与高频分量间存在可挖掘的关联。基于信号超分辨方法，可从低分辨率数据中恢复丰富的高分辨率时频特征，从而弥补采集带宽不足对电弧检测精度的限制。
传统信号超分辨方法主要包括插值方法[21]和机器学习方法[22]。插值法依赖简单数学模型，难以恢复高频细节；传统的机器学习算法大多为浅层结构，难以应对电弧信号中非平稳的时频特性。近年来，深度学习算法[23-24]凭借多层非线性结构，显著提升了高频和复杂时序特征的重建能力。文献[25]将广泛应用于图像超分辨的生成对抗网络（Generative Adversarial Networks, GAN）结构引入时序机制，成功扩展至数据超分辨领域，在时序重构方面取得良好效果。文献[26]提出用TSRSF（time-series reconstruction based on spectral features），通过长短期记忆（Long Short Term Memory, LSTM）网络进行时间序列重构的电弧检测方法，但仍普遍忽视对频域信息的刻画。针对这一不足，本文在时间序列生成对抗网络（Time-series Generative Adversarial Network, TimeGAN）的基础上提出基于TimeGAN的双域协同生成式时频域增强方法（Dual-domain Collaborative Generative Time-Frequency Enhancement Method Based on TimeGAN, DCTF-GAN），融合时频域特征并设计频域损失与判别器，有效提升高频重构精度与模型泛化能力。然后设计轻量化神经网络对超分辨信号进行电弧检测。
综上所述，本文聚焦于工程实际中串联电弧故障高频信号难以获取导致检测精度受限的问题。首先，按照相关标准搭建串联电弧实验平台，采集各类典型负载在三种不同采样率（25、50、100 kHz）下的双通道数据，并对原始信号进行多维分析；其次，针对低采样率信号高频信息缺失的难题，提出DCTF-GAN通过融合时域和频域特征进行超分辨重构，显著提升了高频细节的恢复能力；然后，在获得高分辨率数据后，设计并优化了融合时域与频域特征的电弧信号描述符，为后续故障检测提供有效的特征依据；最后，构建轻量化RNN-Transformer（recurrent neural network-Transformer），以信号描述符和超分辨数据为输入，实现电弧故障的高效、精准检测。系统对比多种超分辨率与检测算法的组合，结果显示，本文方法在检测准确率与泛化能力方面均具有显著优势。
串联电弧故障实验平台按照UL1699标准搭建，如图1所示，包含电弧发生器（见图2）、两种类型的电流传感器（闭口互感器CIT100A，采样率为100 kHz；开口互感器ANC30-MP，采样率为25 kHz）、模拟配电线路、电源以及具有双通道同步采样能力的数据采集设备。采集设备支持12位模数转换器、84dB动态范围、最高1 MS/s采样率和4Hz～723kHz带宽，并可通过以太网或Wi-Fi高速传输数据。其中电弧发生器主要用于模拟不同工况下的串联电弧故障。该电弧发生器包括多个关键部分：固定绝缘底座提供稳定的支撑，确保设备运行过程中不受外界干扰；磁棒（静止极）和铜棒（活动板）通过机械联动调节，模拟电弧的不同工作状态，帮助更好地控制电弧的发生与断开；棒间距显示模块实时监测两根棒之间的距离，保证实验环境的可控性；步进电机则负责调节铜棒的移动位置，模拟不同条件下的电弧行为。该发生器模型的设计确保了电弧信号的真实还原，适用于电弧故障检测的各类实验。
图1 串联电弧故障实验平台
Fig.1 Arc fault experimental platform
图2 电弧发生器模拟图
Fig.2 Diagram of the arc generator device
平台能够同步采集两类传感器在不同工况下的电流信号，形成双采样率数据集。采用所提DCTF-GAN 算法，对开口互感器采集的25 kHz信号进行上采样至50 kHz和100 kHz，并与闭口互感器采集的真实高分辨率参考数据进行对比分析。
整体真实配电仿真平台如图3所示。在真实配电仿真平台上搭建单相独立的负载测试系统，该平台用于模拟真实的电力分配环境，以实现电弧故障等多种用电工况的测试。平台由多个单相和三相负载组成，并通过标准的接口与实验设备相连，确保数据采集的同步性和准确性。实验过程中，负载可以按需加载，并在不同采样率下获取多种电弧故障数据，为后续分析提供高质量的数据支持。实验平台与串联电弧装置的接入拓扑结构如图4所示，实验平台共9个单相用户，在其中一个用户侧串入图1所示的电弧故障实验平台，串入点已在拓扑图中给出。被测负载涵盖典型住宅设备：单相交流电机（800 W/ 1 800 W吹风机、1 000 W变频角磨机）、纯阻性负载（2 000 W热水壶）、开关电源类负载（300 W计算机工作站）及测量仪器（150 W示波器），具体见表1。各负载通过符合IEC 61000-4-30 Class A标准的LXI Class B级同步接口直连串联电弧故障实验平台。数据采集装置导出数据，并配合符合IEC 60584-1标准的T型热电偶实现电流-温度同步监测。时基同步由内置OCXO恒温晶振（相位噪声-110 dBc/Hz@ 10 kHz偏移，触发抖动＜15 ps RMS）保证。实验采用分时独立加载策略，分别在25、50、100 kHz采样率下获取四类负载的单一工况数据集，保证完整捕获电弧的时频域特征，构建数据集。
图3 真实配电仿真平台
Fig.3 Real power distribution simulation platform
表1 电气负载
Tab.1 Electrical load
负载名称电气属性参数 低功率吹风机线性负载220 V, 800 W 高功率吹风机220 V, 1 800 W220 V, 2 000 W220 V, 300 W220 V, 150 W220 V, 1 000 W 热水壶 计算机工作站非线性负载 示波器变频角磨机
图4 实验平台拓扑结构
Fig.4 Experimental platform topology diagram
对每组负载均采集2 000组电流数据（正常状态与电弧故障状态各1 000组）。每组数据覆盖5个工频周期（50 Hz），不同采样率下数据点数量为：25 kHz采样率（每周期250点，共1 250点）、50 kHz采样率（每周期500点，共2 500点）、100 kHz采样率（每周期1 000点，共5 000点）。采样率的提升显著增加了数据点密度，为精确捕获电弧特征、提高故障检测准确性奠定了基础。常用负载正常运行与发生串联电弧的时域电流波形示例如图5所示。
由图5中时域波形可以看出，电弧的燃烧具有零休特性，即电压过零点时电源恢复电压会暂时低于介质强度恢复电压使得电弧短暂熄灭，但随着电压恢复电弧重燃，对于非线性负载来说电弧的不确定性很大，使得波形畸变严重，无法只靠时域波形进行判断，更准确的是其频域特征的变化。
图5 常用负载正常工作和串联电弧时的电流波形
Fig.5 Current waveforms during normal operation and series arcing of some common loads
为深入分析串联电弧的频域特性及双通道采集信号的差异，本文对其进行了频域对比分析。根据奈奎斯特采样定理，25 kHz 采样率的传感器最多只能捕捉12.5 kHz以内的频域信息。因此，将100 kHz通道采集的数据裁剪至12.5 kHz 频段，以消除不同采样率所引起的带宽差异，确保分析的公平性与一致性。该处理突出展示了双通道信号在电弧故障条件下的频域变化特征。部分负载在发生串联电弧时的频谱对比如图6所示。图中，通道AI1为50 kHz采样率互感器，通道AI2为25 kHz采样率互感器。
图6 部分常用负载串联电弧时双通道FFT分析
Fig.6 Dual-channel FFT analysis of common loads during series arc
由图6可见，不同采样率的互感器在负载特征信号采集能力上存在明显差异。与高采样率通道相比，低采样率通道在高频段信号出现显著失真与信息缺失，能量分布模糊，无法准确还原电弧故障的高频特征从而精确识别电弧故障。因此，本文提出基于TimeGAN的双协同生成式时频域增强方法，将低采样率信号重建为高采样率信号。
TimeGAN是一种结合GAN和自编码结构的时间序列生成模型，能够在保持时间依赖特性的同时，生成与真实分布一致的序列，用于低采样数据的超分辨重构。TimeGAN架构配置如图7所示，包括嵌入函数e、恢复函数r、生成器g和判别器d四个模块，自编码器与对抗网络部分同步训练，实现对时序动态特征的有效建模。
图7 TimeGAN架构配置
Fig.7 TimeGAN configuration
训练过程中，TimeGAN联合优化无监督损失、监督损失和重构损失，从而同时保证生成序列与真实数据在分布和时序结构上的一致性。
然而，针对本文关注的频域信息超分辨率问题，原始TimeGAN结构存在局限。TimeGAN虽能有效学习时间序列的长期依赖和动态特征，但其核心设计侧重于时域动态模式的重建与生成，对信号频域特性的精细刻画能力不足。直接应用于采样率提升任务时，难以充分恢复和增强低采样率数据中丢失或模糊的关键高频谐波、瞬态频谱分量等关键电弧特征，可能导致超分辨后的数据在频带上失真或细节丢失。因此，为了满足电弧故障检测对高保真频域信息的需求，本文对原始TimeGAN进行了关键性改进，引入了双路径时频域特征融合架构。
为提升生成信号在频域的能量分布保真度，本文在原有TimeGAN生成器中引入双路径时频特征融合架构，如图8所示。图8中，Nfft为快速傅里叶变换（Fast Fourier Transform, FFT）的点数，Wq为查询（Query）权重矩阵，Wk为键（Key）权重矩阵，Wv为值（Value）权重矩阵。改进后的方法命名为基于TimeGAN的双协同生成式时频域增强方法（DCTF-GAN），该模块通过并联的时域与频域处理路径，显式建模信号的频谱特性，解决传统方法对高频分量重建不足的问题。
图8 改进生成器结构示意图
Fig.8 Schematic diagram of the improved generator structure
对原始TimeGAN模型进行了以下三点改进：
1）改进后的生成器由两条并行路径及特征融合层构成。
时域路径（图8左上虚线框部分）：保留原始TimeGAN 的两层LSTM结构（隐藏单元数为256，激活函数为Tanh），用于捕捉电弧信号的长时序依赖特性。
频域路径（图8右上虚线框部分）：新增一维卷积网络用于提取局部频域特征。首层采用5点卷积核以匹配电弧典型高频振荡周期（约20～50点），步长设为2，在保留99.2%频域能量的同时实现降采样，降低计算成本。通道数由64渐近增加至128，以更细粒度捕捉谐波细节，并适应硬件计算资源限制。短时傅里叶变换（Short-Time Fourier Transform, STFT）窗长设置为64点，与电弧瞬态过程精准对齐，50%重叠率在频谱连续性与计算效率之间取得平衡。
特征融合层（图8中间实线框部分）：采用跨模态注意力机制对齐时域与频域特征。以时域查询向量Q与频域键向量K进行交互建模，生成注意力权重A，动态突出电弧高频突变区域（起弧/熄弧瞬间）。随后将频域值向量V注入时域主干，通过残差连接实现最终融合特征：Hfuse=Ht+A·V以保留原始波形的相位信息，其中Hfuse为特征融合层的输出特征，Ht为时域路径的输出特征。
2）频域感知混合损失函数：在原有损失函数基础上，新增对数频谱能量匹配损失。
（1）
式中，
、
分别为真实信号、生成信号的短时傅里叶变换矩阵，
、
，F为频率点数，表示频域分量的数量，T为时间帧数，表示信号分段后的时间窗口数量，
为复数域空间；i为样本索引；N为样本总数；
为防止数值溢出，=10-8。总损失函数调整为
（2）
式中，
、
、
、
为最优权重，通过网格搜索法确定；LR、LS、LU、LSp分别为重构损失、监督损失、无监督损失及频域感知混合损失。
3）频域判别器设计：新增辅助判别器Df专门评估频域真实性，由三层通道数分别为32、64、128的1D卷积构成，采用Sigmoid输出。
超分辨实验在Intel i5-12600KF CPU、32 GB内存、NVIDIA RTX 4070 SUPER（12 GB显存）环境下进行，使用TensorFlow与Keras加速训练。DCTF-GAN生成器保留双层LSTM时域路径（256个隐藏单元，Tanh激活），新增频域路径（5点卷积核、STFT与三层卷积），并通过跨模态注意力融合时频特征。判别器采用双分支结构，时域分支为三层全连接网络（128-256-128，Leaky ReLU），频域分支为三层一维卷积。训练中引入谱归一化与动态混合损失，使用Adam优化器（学习率1×10-4，β1=0.5，β2=0.999）迭代500轮，批尺寸动态调整（64/128），最终高频重建误差降低27.2%，召回率提升4.2%。
对12.5 kHz采样率下的常用负载发生串联电弧故障时的时域数据进行2倍及4倍采样的超分辨结果如图9所示。
图9 电弧信号时域超分辨结果
Fig.9 Time-domain super-resolution results of arc signals
图9展示了DCTF-GAN网络模型的超分辨率在时域的重建结果。图9a～图9d是用开口互感器以12.5 kHz带宽采集的数据，通过2倍采样率超分辨后，DCTF-GAN生成的数据（红色虚线）与闭口互感器采集的真实20 kHz数据（蓝色实线）高度一致。图9e～图9h则展示了同样带宽下采用4倍采样率重建的结果，DCTF-GAN生成的数据虽存在一定噪声，但整体信号趋势和特征仍较好地保留，与闭口互感器设备采集的50 kHz真实数据相符。
下面对4倍超分辨率下的计算机和示波器发生串联电弧时的数据进行频域分析。
图10展示了DCTF-GAN模型的超分辨率在频域的重建结果。其中蓝色实线为闭口互感器设备采集的50 kHz真实频域数据，红色虚线为开口互感器采集的12.5 kHz数据，与前文未超分辨处理下的频域数据图6相比，图10中超分辨重建曲线与真实高采样曲线在全频段呈现高度重合。验证了所提DCTF-GAN方法在频域信息恢复方面的有效性和高保真能力。
图10 4倍采样超分辨频域分析图
Fig.10 Frequency domain analysis diagram of 4× sampled super-resolution
为评估不同方法的预测性能，将不同超分辨算法对电弧信号的重建性能进行对比，其中包括文献[26]提出的TSRSF方法，以及文献[17]提出的CWT、TimeGAN。评价指标平均绝对误差（Mean Average Error, MAE）、方均根误差（Root-Mean-Square Error, RMSE）、决定系数R2和频谱相关系数（Spectral Correlation Coefficient, SCC）为
（3）
（4）
（5）
（6）
式中，
和
分别为采样点为i的实际和生成时频域输出；
为所有平均值；T为测试样本点的数量；
为实际信号的傅里叶变换；
为生成信号的傅里叶变换；
表示内积运算。
表2 不同超分辨算法性能评估
Tab.2 Performance evaluation of different super-resolution algorithms
负载指标超分辨模型 DCTF-GANTSRSFTimeGANCWT 吹风机异常4倍超分辨MAE0.6210.7780.8920.902 RMSE1.0021.1771.3321.544 R20.9990.8240.8910.993 SCC0.9950.4190.2920.284 热水壶异常4倍超分辨MAE0.6430.7920.7530.788 RMSE0.9971.1971.0211.212 R20.9950.7920.9930.993 SCC0.9960.2230.2850.182 计算机异常4倍超分辨MAE1.2131.9431.7661.638 RMSE1.3121.9822.0132.240 R20.9920.6890.5780.681 SCC0.9890.1840.1800.170 示波器异常4倍超分辨MAE1.2232.3781.9212.212 RMSE1.5121.8991.7862.101 R20.9840.9770.5560.422 SCC0.9880.1670.1550.114
不同超分辨算法性能评估见表2。表2表明DCTF-GAN在不同家电负载异常信号下均具备优异的重建精度与时频相关性，尤其在高频复杂场景中优势更为显著。相比之下，传统方法CWT存在误差大、重建失真等问题，难以满足高精度检测需求。尽管TSRSF和TimeGAN在时域上具备一定的精度优势，但频谱信息重建效果明显劣于DCTF-GAN，限制了其在实际电弧检测中的应用价值。
下面通过设计渐进式消融实验验证核心模块的时频协同优化机制：在基准TimeGAN架构上，依次引入时频双路径生成器（Dual-path Time-Frequency Generator, DTPG）、跨模态注意力融合模块（Cross-Modal Attention Fusion, CMAF）及动态权重优化策略（Dynamic Weight Stabilization, DWS），形成完整DCTF-GAN的模型。实验重点监测时域重建精度（MAE、RMSE）、频域相关性（SCC）及动态权重稳定性指标。超分辨算法消融实验对比见表3。DWS定义为
表3 超分辨算法消融实验对比
Tab.3 Ablation study and comparative results of super-resolution algorithms
实验组MAERMSER2SCCDWS TimeGAN（基准模型）2.212.100.6220.214— TimeGAN+时频双路径生成器1.851.880.7510.5380.68 TimeGAN+跨模态注意力机制1.551.650.7740.7620.85 TimeGAN+频域判别器1.391.540.9830.9760.89 完整DCTF-GAN1.211.310.9920.9890.92
（7）
式中，
为t时间步时域特征权重系数；
为时域权重系数；M为序列长度，该指标量化跨模态注意力机制在时频特征分配中的稳定性，取值[0,1]，值越大表明权重波动越小。用计算机异常4倍超分辨数据作为消融实验数据。
超分辨算法消融实验对比见表3。表3表明，与基准模型 TimeGAN 相比，逐步引入时频双路径生成器、跨模态注意力机制与频域判别器后，模型的各项指标显著提升。其中，完整模型 DCTF-GAN 在MAE、RMSE上分别降低至1.21和1.31，R²和SCC分别提升至0.992和0.989，表明其在还原精度和频谱相关性方面均达到最优表现。特别地，频域判别器在提升频谱保真度方面贡献突出，跨模态注意力机制有效地实现时频特征对齐，而双路径生成器显著改善了高频信息的重构能力。整体上，完整模型在精度、相关性及动态加权稳定性（DWS）等指标上均表现最优，验证了所提模块组合的合理性与协同优势。
通过时域信号超分辨率技术现已能将低分辨率数据提升至原本无法直接获取的高分辨率水平，精准重建信号中的关键高频成分与瞬态细节。这一能力为后续电弧故障检测提供了高分辨率、高保真的数据基础，使其得以捕捉到更细微、更丰富的故障时频域特征。
为了准确识别串联电弧故障，首先设计一种结合电流信号时域与频域特征的描述符S作为电弧检测的关键特征量，并通过规则生成目标标签（Target Signal）提供采样后的超分辨信号标识数据。
描述符S是用于表征电弧故障信号的重要特征量，它的构建结合了电流信号在时域和频域的统计特性，以全面捕获电弧故障信号的变化特征。
输入信号：描述符构建的基础是采样得到的电流信号I(t)，通过离散化表示为Ik，其中k为离散采样点索引，采样频率fs单位为Hz。
频域特征提取：电弧故障通常伴随高频信号特征，因此在频域中提取相关特征。首先通过FFT将超分辨采样后的高频信号从时域转换为频域，有
（8）
式中，If为频域信号的幅值；f为频率分量；n为采样点总数。然后提取频域能量Ef和频率重心fc两个频域特征量，定义为
（9）
（10）
式中，Ef为在特定频段[flow, fhigh]内的总能量，反映高频信号的强度；|If ( f )|为频率f对应的信号幅值；fc为信号频谱的能量分布中心，用于反映频率成分的集中趋势；f|If ( f )|2为频率分量f的加权能量。
时域特征提取：为全面表征电流信号的特性，描述符S不仅包含频域特征，还结合了时域统计量，以捕捉信号的幅值变化和动态行为，定义为
（11）
（12）
式中，Irms为电流信号的方均根值；ZCR为过零率，表示信号波形变化的频率，计算波形在零值处的穿越次数；[IkIk+1＜0]表示取二者积为负的部分。
信号描述符S：综合上述特征定义描述符S为
（13）
式中，ω1、ω2、ω3为特征权重系数，通过实验优化确定。
基于描述符S的构建，能够提取电弧故障的关键特征。为了进一步用于模型训练，还需生成准确反映电弧状态的目标标签。目标标签的生成规则为
（14）
式中，Lk为采样点k的目标标签，取值为0或者1；Sk为描述符在采样点k的值；
为描述符的阈值；TI为电流幅值的阈值；|Ik|为采样点k的电流幅值。式（14）表示当描述符Sk超过阈值且电流幅值|Ik|超过阈值TI时，认为存在电弧故障，对应的目标标签Lk=1；否则为非电弧状态，Lk=0。
为直观地展示描述符S与目标标签的关系，图11展示了电流信号、描述符S和目标标签随时域电流波形的变化情况。可以观察到，描述符S在正常信号下接近0.5，而电弧故障发生时显著升高，目标标签在发生电弧时标记为1。为了确定合适的阈值绘制了描述符阈值TS和电流幅值阈值TI与电弧检测准确率的热力图，如图12所示。通过分析热力图的结果进行阈值的准确选择，保证在此阈值选择下对所有负载都能实现100%的电弧判别。
图11 电流信号、描述符S与目标标签的对比
Fig.11 Comparison of current signal, descriptor S, and target labels
图12展示了不同阈值组合对准确率的影响。热力图中，颜色的变化反映了准确率的波动，红色区域表示准确率的最高值，而紫色区域则表示准确率较低。通过网格搜索的阈值优化结果，系统遍历 TS∈[0.5,4.5]与TI∈[0,1]的联合参数空间，通过最大化分类器F1-score确定最优解。数据分析表明，当TS=2.0、TI=0.2，准确率达到了100%与零误报率，该组合使决策边界对电弧特征的区分裕度提升47%（对比次优组合）。经贝叶斯优化验证，此参数在特征空间中形成全局最优解，可稳定分离电弧故障与正常工况的时频域特征分布，为检测系统提供统计显著的判别依据。
图12 TS和TI阈值与电弧故障检测准确率的热力图
Fig.12 Heatmap of TS and TI thresholds versus arc fault detection accuracy
RNN-Transformer 网络是一种融合了RNN和Transformer 各自优势的深度学习架构，专为电弧故障检测任务设计。该网络通过双向RNN模块提取电流信号的局部时序特性，同时借助Transformer模块的多头自注意力机制建模信号的全局依赖关系，从而实现对复杂信号的精准分析。整体架构包括时序位置编码器、双向RNN模块、堆叠的Transformer模块以及最终的多层感知机（Multilayer Perceptron, MLP）输出层。
在该架构中，时序位置编码器负责嵌入时间序列信息，为后续模块提供时序参考；双向RNN模块聚焦信号的短期动态特征，充分捕捉片段间的局部依赖性；Transformer模块通过堆叠的注意力机制和前馈网络，从全局视角分析信号片段的上下文关系；最后，MLP输出层基于处理后的综合特征生成每个信号片段的发生电弧故障的概率。具体的检测模型架构如图13所示。
图13中V为时间窗口大小，I为输入电流信号，Pi为第i个片段经过位置编码后生成的嵌入表示，Hi为通过双向RNN模块处理Pi后的隐藏状态，Ei为Transformer模块输出的每个片段的嵌入表示，Pr(LK)为第K个片段为电弧故障的概率，LK为3.1节所设定的目标标签。
图13 RNN-Transformer网络的电弧故障检测模型架构
Fig.13 RNN-Transformer-based model architecture for arc fault detection
将本文选取的四类不同负载，每类负载分别包含正常数据1 000组和异常数据1 000组，总计 8 000组数据（每组数据均由5个周期的电流波形组成）作为RNN-Transformer神经网络的输入。 图14展示了故障检测模型在25 kHz采样率数据上对高功率吹风机的检测结果。
图14中上方红色曲线和下方橙色曲线与图11一致，中间蓝色曲线表示RNN-Transformer模型的预测结果。中间曲线表明模型在故障区域概率接近1，非故障区域概率接近0，能准确捕捉故障特性，预测效果较好。
下面分别对真实25 kHz采样率数据、采样超分辨至50 kHz的数据，以及采样超分辨至100 kHz的数据进行故障检测实验。记25 kHz真实采样率数据为采样率1，50 kHz超分辨数据为采样率2，100 kHz超分辨数据为采样率3。通过对三种采样率的数据构建混淆矩阵，评估其二元分类性能指标，包括准确率Acc、精确率Pre、召回率Rec、F1分数，具体公式为
图14 基于25 kHz采样率数据的故障检测结果
Fig.14 Fault detection results based on 25 kHz sampling rate data
（15）
（16）
（17）
（18）
式中，TP为真正例，表示正确预测为正类的样本数量；TN为真反例，表示正确预测为负类的样本数量；FP为假正例，表示错误预测为正类的样本数量；FN为假反例，表示错误预测为负类的样本数量。
真实采样率数据与超分辨数据下各负载的故障检测指标对比见表4。不同采样率下电弧故障检测混淆矩阵如图15所示。表4及图15表明：随着采样率的提升，负载故障检测模型的性能显著增强。25 kHz真实采样率下，各项指标平均仅约为58%，且不同负载间误判率较高。提升至50 kHz和100 kHz超分辨率后，准确率、精确率、召回率和F1分数均大幅提升，最高均超过97%，误判大幅减少。结果表明，高采样率显著改善了模型的分类能力，尤其提升了对易混淆负载的检测准确性，突出高频超分辨率数据在故障检测中的应用价值。
表4 真实采样率数据与超分辨数据下各负载的故障检测指标对比
Tab.4 Comparison of fault detection metrics for each load under real sampling rate data and super-resolution data
负载类型采样率准确率Acc(%)精确率Pre(%)召回率Rec(%)F1分数(%) 高功率吹风机采样率179.760.456.258.1 采样率292.591.094.092.5 采样率397.896.598.997.7 热水壶采样率179.659.458.558.7 采样率294.095.093.094.0 采样率398.999.098.798.8 计算机采样率177.855.558.356.9 采样率293.894.593.594.0 采样率398.597.898.498.1 示波器采样率177.554.156.855.8 采样率293.092.094.093.0 采样率399.699.599.399.4 平均采样率178.657.457.357.4 采样率293.593.193.693.4 采样率398.798.298.898.5
图15 不同采样率下电弧故障检测混淆矩阵
Fig.15 Confusion matrix for series arc fault detection at different sampling rates
为了评估所提出故障检测模型在不同数据集上的泛化性能，使用真实、未经超分辨处理的数据集（包括变频角磨机和低功率吹风机）进行测试，其中采样率4、采样率5、采样率6分别为闭口互感器在实验室环境下采集的未经超分辨25 kHz采样率数据、50 kHz采样率数据、100 kHz采样率数据，结果见表5。
表5 故障检测模型在未超分辨数据下的检测性能
Tab.5 Arc fault detection performance on original (non-super-resolved) data
负载类型采样率准确率Acc(%)精确率Pre(%)召回率Rec(%)F1分数(%) 变频角磨机采样率474.573.858.067.4 采样率592.892.593.092.7 采样率696.596.097.096.5 低功率吹风机采样率481.283.578.873.1 采样率593.292.893.593.1 采样率697.096.597.597.0
表5结果表明，RNN-Transformer检测模型在未经超分辨的25 kHz低采样率数据下表现一般，检测准确率及各项指标均处于较低水平；但随着采样率提升至50 kHz和100 kHz，模型的检测性能显著提高，基本与超分辨率重建后的数据效果持平。这表明该检测算法具备良好的泛化能力，能够适应不同采样率和数据质量条件，具有较高的稳定性与实用性。
为全面验证所提模型的有效性，本文设计了七组对比实验，系统评估不同超分辨与检测算法组合对性能的影响。
实验组（完整模型）：超分辨算法（DCTF-GAN）+ RNN-Transformer检测算法+动态权重优化，作为基准模型。
对照组1：去除超分辨模块，使用真实低采样率（25 kHz）数据+RNN-Transformer检测算法+动态权重优化。
对照组2：将超分辨算法替换为文献[26]提出的TSRSF算法，保留RNN-Transformer检测算法+动态权重优化。
对照组3：在完整模型基础上，将检测算法替换为文献[18]中的局部二值模式（Local Binary Patterns, LBP）直方图匹配方法。
对照组4：在完整模型基础上，将检测算法替换为文献[19]提出的ZCC算法。
对照组5：在完整模型基础上，将检测算法替换为传统支持向量机（Support Vector Machine, SVM）算法。
对照组6：同时将超分辨算法替换为TSRSF算法，并将检测算法替换为传统SVM算法。
测试的数据集包括表1所示的单一负载，以及由空调、微波炉、卤素灯、电磁炉、电饭煲、电风扇中任意三种组合形成的未知组合负载，用于全面评估模型性能。超分辨与检测模型组合性能对比见表6。
表6 超分辨与检测模型组合性能对比
Tab.6 Performance comparison of super-resolution and detection model combinations
配置情况关键策略适用负载类型数单一负载检测准确率(%)未知负载组合检测准确率(%)训练时间/s内存/MB 实验组DCTF-GAN+RNN-Transformer1699.799.23 26376 对照组1RNN-Transformer381.88.55 23053 对照组2TSRSF+RNN-Transformer1493.571.39 420520 对照组3DCTF-GAN+LBP693.183.37 900230 对照组4DCTF-GAN+ZCC692.089.56 580380 对照组5DCTF-GAN+SVM1094.052.44 560230 对照组6TSRSF+ SVM793.220.88 024320
对比实验结果表明，完整模型在适用负载类型数、单一负载检测准确率及未知负载组合检测准确率均达到最佳，体现了DCTF-GAN与RNN-Transformer结合的高效泛化性能。去除超分辨模块后，性能显著降低，适用范围和检测精度大幅缩减。采用传统检测算法（实验组4～6）或替换超分辨方法（实验组3、7）后，各项指标均有不同程度下降，进一步验证了本文所提出的超分辨及检测算法的协同优势及有效性。
本文针对低压用电场景下，由于开口式互感器采样率受限导致的串联电弧高频特征失真与检测困难问题，提出了基于TimeGAN的双域协同超分辨与深度检测一体化方案。引入时频双路径生成网络和跨模态注意力机制，实现了对低采样信号高频特征的精准重建，显著提升了便携设备下的电弧检测能力。配合RNN-Transformer检测模型，实现了仅用低采样率数据也能获得接近高采样水平的电弧检测准确率。实验证明，所提方案在多类复杂负载和实际应用场景下均取得了优异的检测效果，为低成本、高可靠性串联电弧故障检测提供了全新解决思路。未来将进一步加强模型在实际工况下的适应性与工程化部署能力，推动其在智能配电终端的规模化应用。
参考文献
[1] Thai H D, Le N B V, Lee D, et al. A survey of electrical fire causes assessment technology[J]. IEEE Access, 2024, 12: 145378-145392.
[2] 盛德杰, 王尧, 邢云琪, 等. 基于磁流体动力学仿真的低压交流串联故障电弧致火风险研究[J]. 电工技术学报, 2025, 40(10): 3326-3338. Sheng Dejie, Wang Yao, Xing Yunqi, et al. Research on fire risk of low voltage AC series fault arc based on magnetohydrodynamics simulation[J]. Transactions of China Electrotechnical Society, 2025, 40(10): 3326-3338.
[3] 王尧, 马桐桐, 赵宇初, 等. 基于电磁辐射时延估计的串联光伏直流电弧故障定位方法[J]. 电工技术学报, 2023, 38(8): 2233-2243.Wang Yao, Ma Tongtong, Zhao Yuchu, et al. Series DC arc-fault location method based on electromagnetic radiation delay estimation for photovoltaic systems[J]. Transactions of China Electrotechnical Society, 2023, 38(8): 2233-2243.
[4] 唐昭晖, 许志红, 叶骁勇. 交流故障电弧作用下电缆碳化的实验与仿真研究[J]. 中国电机工程学报, 2024, 44(23): 9496-9507. Tang Zhaohui, Xu Zhihong, Ye Xiaoyong. Experi-mental and numerical investigation of cable carbonization under AC fault arc[J]. Proceedings of the CSEE, 2024, 44(23): 9496-9507.
[5] Amiri A, Samet H, Ghanbari T. Recurrence plots based method for detecting series arc faults in photovoltaic systems[J]. IEEE Transactions on Industrial Electronics, 2022, 69(6): 6308-6315.
[6] Yan Junchen, Li Qiqi, Duan Shanxu. A simplified current feature extraction and deployment method for DC series arc fault detection[J]. IEEE Transactions on Industrial Electronics, 2024, 71(1): 625-634.
[7] Yin Zhendong, Wang Li, Zhang Bin, et al. An integrated DC series arc fault detection method for different operating conditions[J]. IEEE Transactions on Industrial Electronics, 2021, 68(12): 12720-12729.
[8] Wang Yao, Hou Linming, Paul K C, et al. ArcNet: series AC arc fault detection based on raw current and convolutional neural network[J]. IEEE Transactions on Industrial Informatics, 2022, 18(1): 77-86.
[9] 蔡彬, 陈德桂, 吴锐, 等. 开关柜内部故障电弧的在线检测和保护装置[J]. 电工技术学报, 2005, 20(10): 83-87. Cai Bin, Chen Degui, Wu Rui, et al. Online detecting and protection system for internal faults arc in switchgear[J]. Transactions of China Electrotechnical Society, 2005, 20(10): 83-87.
[10] 黄晨昊, 高伟. 基于超声波传感器与孤立森林的光伏系统串联电弧故障诊断方法[J]. 电气技术, 2025, 26(5): 10-16, 26. Huang Chenhao, Gao Wei. Series arc fault diagnosis method for photovoltaic system based on ultrasonic sensor and isolation forest[J]. Electrical Engineering, 2025, 26(5): 10-16, 26.
[11] 王尧, 张彦风, 牛峰, 等. 光伏直流电弧电磁辐射特性分析与测量方法[J]. 电工技术学报, 2019, 34(14): 2913-2921. Wang Yao, Zhang Yanfeng, Niu Feng, et al. Characterization and measurement method of DC arc electromagnetic radiation for photovoltaic systems[J]. Transactions of China Electrotechnical Society, 2019, 34(14): 2913-2921.
[12] 崔建, 孙帅, 张国钢, 等. 基于双温度磁流体电弧仿真改进Mayr电弧模型的特快速暂态过电压仿真方法[J]. 电工技术学报, 2024, 39(16): 5149-5161. Cui Jian, Sun Shuai, Zhang Guogang, et al. The very fast transient overvoltage simulation method based on two-temperature MHD arc simulation to improve Mayr arc model[J]. Transactions of China Electro-technical Society, 2024, 39(16): 5149-5161.
[13] 刘艳丽, 郭凤仪, 李磊, 等. 一种串联型故障电弧数学模型[J]. 电工技术学报, 2019, 34(14): 2901-2912. Liu Yanli, Guo Fengyi, Li Lei, et al. A kind of series fault arc mathematical model[J]. Transactions of China Electrotechnical Society, 2019, 34(14): 2901-2912.
[14] 王尧, 韦强强, 葛磊蛟, 等. 基于电弧电流高频分量的串联交流电弧故障检测方法[J]. 电力自动化设备, 2017, 37(7): 191-197. Wang Yao, Wei Qiangqiang, Ge Leijiao, et al. Series AC arc fault detection based on high-frequency components of arc current[J]. Electric Power Auto-mation Equipment, 2017, 37(7): 191-197.
[15] 王尧, 李阳, 葛磊蛟, 等. 基于滑动离散傅里叶变换的串联直流电弧故障识别[J]. 电工技术学报, 2017, 32(19): 118-124. Wang Yao, Li Yang, Ge Leijiao, et al. A series DC arcing fault recognition method based on sliding discrete Fourier transform[J]. Transactions of China Electrotechnical Society, 2017, 32(19): 118-124.
[16] 郑昕, 单潇洁. 低压交流电弧电流零区电压波形特征分析与应用[J]. 电工技术学报, 2020, 35(22): 4717-4725. Zheng Xin, Shan Xiaojie. Characteristic analysis and application research of low voltage AC arc voltage waveform at the current zero[J]. Transactions of China Electrotechnical Society, 2020, 35(22): 4717-4725.
[17] 胡从强, 曲娜, 张帅, 等. 连续小波变换和具有注意力机制的深度残差收缩网络在低压串联电弧故障检测中的应用[J]. 电网技术, 2023, 47(5): 1897-1905. Hu Congqiang, Qu Na, Zhang Shuai, et al. Application of continuous wavelet transform and deep residual shrinkage network with attention mechanism in detection of low voltage series arc fault[J]. Power System Technology, 2023, 47(5): 1897-1905.
[18] 郭凤仪, 高洪鑫, 唐爱霞, 等. 局部二值模式直方图匹配的串联故障电弧检测及选线[J]. 电工技术学报, 2020, 35(8): 1653-1661. Guo Fengyi, Gao Hongxin, Tang Aixia, et al. Series arc fault detection and line selection based on local binary pattern histogram matching[J]. Transactions of China Electrotechnical Society, 2020, 35(8): 1653-1661.
[19] Jiang Run, Bao Guanghai. Series arc fault detection method based on signal-type enumeration and zoom circular convolution algorithm[J]. IEEE Transactions on Industrial Electronics, 2023, 70(10): 10607-10617.
[20] 吴建明, 杨广亮, 黄文涛. 开口式电流互感器在低压配电系统中的应用[J]. 电气技术, 2012, 13(8): 154-156. Wu Jianming, Yang Guangliang, Huang Wentao. Application of open current transformer in low voltage distribution system[J]. Electrical Engineering, 2012, 13(8): 154-156.
[21] 林帆, 张耀, 东琦, 等. 基于分位数插值和深度自回归网络的光伏出力概率预测[J]. 电力系统自动化, 2023, 47(9): 79-87. Lin Fan, Zhang Yao, Dong Qi, et al. Probability prediction of photovoltaic output based on quantile interpolation and deep autoregressive network[J]. Automation of Electric Power Systems, 2023, 47(9): 79-87.
[22] 程乐峰, 余涛, 张孝顺, 等. 机器学习在能源与电力系统领域的应用和展望[J]. 电力系统自动化, 2019, 43(1): 15-31.Cheng Lefeng, Yu Tao, Zhang Xiaoshun, et al. Machine learning for energy and electric power systems: state of the art and prospects[J]. Automation of Electric Power Systems, 2019, 43(1): 15-31.
[23] Liu Guolong, Gu Jinjin, Zhao Junhua, et al. Super resolution perception for smart meter data[J]. Information Sciences, 2020, 526: 263-273.
[24] Gu J, Chen H, Liu G, et al. Super-resolution perception for industrial sensor data[J]. arXiv preprint arXiv:1809.06687, 2018.
[25] Yoon J, Jarrett D, van der Schaar M. Time-series generative adversarial networks[C]//Neural Information Processing Systems, Vancouver, 2019, 32: 5508-5518.
[26] Jiang Run, Zheng Yuesheng. Series arc fault detection using regular signals and time-series reconstruction [J]. IEEE Transactions on Industrial Electronics, 2023, 70(2): 2026-2036.
Abstract Series arc faults are a leading cause of electrical fires in low-voltage power distribution systems. Accurate detection of these faults is essential to ensure electrical safety, as arc faults can lead to hazardous conditions. Traditional detection methods generally rely on high-frequency fault signal features; however, these methods face challenges in practical applications due to limitations in the sensors used for fault signal acquisition. Open-type current transformers, commonly employed in real-world scenarios to ensure power supply reliability, struggle to capture high-frequency components due to their structural constraints, resulting in insufficient detection accuracy for series arc faults.
This paper proposes a novel time-domain super-resolution method for series arc fault detection, which aims to overcome the time-frequency limitations of traditional detection methods. By applying super-resolution techniques to reconstruct low-resolution data, the proposed method enhances the recovery of high-frequency components that are typically lost or obscured in traditional fault detection systems. The approach begins by setting up an arc fault simulation platform in compliance with UL1699 standards, where datasets are collected from various load types at three different sampling rates (25 kHz, 50 kHz, and 100 kHz). This enables comprehensive testing of the proposed method on data collected at varying resolutions.
A significant issue with current time-domain super-resolution algorithms is their inability to effectively restore high-frequency spectral information, which is essential for accurate arc fault detection. To address this challenge, the paper introduces a dual-domain collaborative generative time-frequency enhancement method based on TimeGAN, referred to as DCTF-GAN. This model integrates both time-domain and frequency-domain features, using a frequency-domain loss function and discriminator to improve high-frequency feature reconstruction. DCTF-GAN outperforms traditional methods and other deep learning models in terms of high-frequency detail recovery, providing a significant improvement in fault detection accuracy.
Furthermore, a lightweight RNN-Transformer hybrid detection model is developed to perform fault detection on the super-resolved data. By combining time-domain and frequency-domain features, this model achieves high detection accuracy while maintaining computational efficiency. Experimental results show that the proposed method achieves up to 99.7% detection accuracy, validating its effectiveness in various test scenarios. The results also indicate that the method significantly enhances detection performance by restoring lost high-frequency components in the signal, making it more reliable for detecting arc faults in real-world systems.
The proposed method addresses the challenges of low-frequency signal acquisition and limited high-frequency information, which have been long-standing obstacles in series arc fault detection. By leveraging the DCTF-GAN model, the system can restore high-frequency information and improve the detection capabilities of the fault detection system. Additionally, the RNN-Transformer network contributes to efficient processing, enabling real-time detection in industrial applications. This approach provides a more robust, accurate, and computationally efficient solution to series arc fault detection.
In conclusion, this paper presents a significant advancement in the detection of series arc faults. The integration of DCTF-GAN for high-frequency signal restoration and the RNN-Transformer hybrid network for fault detection represents a promising solution to the challenges of detecting arc faults in low-voltage power distribution systems. The proposed method improves detection accuracy by addressing signal acquisition limitations and enhances the overall performance of fault detection systems, making it suitable for practical deployment in electrical safety systems.
keywords：Series arc detection, dual-domain collaborative sampling rate generative adversarial network (DCTF-GAN), time domain super-resolution, RNN-Transformer, electrical fires
DOI: 10.19595/j.cnki.1000-6753.tces.251100
中图分类号：TM501+.2
国家自然科学智能电网联合基金项目（U1966207）和中国南方电网有限责任公司科技项目（GDKJXM20231426(030000KC23120076)）资助。
收稿日期 2025-06-24
改稿日期 2025-07-22
杨天鹏 男，2001年生，硕士研究生，研究方向为低压配电网串联电弧故障检测。E-mail：1442265093@qq.com
李 彬 男，1993年生，博士研究生，研究方向为低压配电网故障检测。E-mail：495681419@qq.com（通信作者）
（编辑 赫 蕾）